セミナー

【期間限定:講演収録でも講師とQ&Aもできる!】
【WEBセミナー:オンデマンド配信】

畳み込みニューラルネットワークの基礎と
画像認識活用事例・判断根拠の理解

~実践的に活用できる内容を網羅的に説明します。~

このセミナーは、講師と直接Q&Aもできる、セミナーの映像収録(2020年3月19日収録)です。​
※お申込み日から14日間ご視聴いただけます。テキストはマイページからダウンロードできます。
※このセミナーに関する質問に限り、講師と直接メールにてQ&Aをすることができます。
★ DeepLearning(ディープラーニング)を、基礎から応用事例まで解説!
★ 畳み込みニューラルネットワークの判断根拠の視覚的説明や応用方法とは!?
★ 実装に向けた環境やディープラーニングフレームワークについても解説します。
日時 2020年8月31日(月)  23:59まで申込み受付中/【収録日:2020年3月19日(木)10:30~16:00】※視聴時間:3時間21分
会場 Webセミナー ※会社・自宅にいながら学習可能です※  【視聴期間はお申込み日から14日間です。】
会場地図
講師 中部大学 工学部 情報工学科 准教授 山下 隆義 氏
受講料(税込)
各種割引特典
35,200円 ( S&T会員受講料 33,440円 ) S&T会員登録について
定価:本体32,000円+税3,200円
会員:本体30,400円+税3,040円
備考※資料付(マイページからダウンロードできます。)
※Webセミナーの録音・撮影、複製は固くお断りいたします。
【期間限定:講師とQ&Aもできる、講演収録済みWEBセミナー(オンデマンド配信)とは?】
以下の流れ・受講内容となります。

 ・録画セミナーの動画をお手元のPCやスマホ・タブレッドなどからご視聴・学習することができます。
 ・申込み後すぐに視聴可能です(事前に「会員ログイン」または「新規会員登録」し、申込みされた場合のみ)。
  S&T会員マイページ(無料)にログインいただき、ご視聴ください。
   ※会員ログインまたは新規会員登録せずに申込みされた場合は、
    営業日3日後までに弊社にてマイページに設定し、閲覧通知のE-Mailをお送りいたします。
 ・視聴期間は申込日より14日間です。
  ご視聴いただけなかった場合でも期間延長いたしませんのでご注意ください。
 ・セミナー資料はマイページからダウンロードできます。
 ・このセミナーに関する質問に限り、講師とメールにて個別Q&Aをすることができます。
  具体的には、セミナー資料に講師のメールアドレスを掲載していますので、セミナーに関する質問がございましたら
  直接メールでご質問ください。
  (ご質問の内容や時期によっては、ご回答できない場合がございますのでご了承下さい。)
下記受講条件をご確認ください。
(1)S&T会員登録が必須になります(マイページ機能を利用するため)
  映像視聴、各種データのダウンロードなどにS&T会員マイページ機能(無料)を利用します。
  会員情報のご登録は、セミナー申込み時、または >>こちら よりお手続きいただけます。
   ※弊社案内(E-Mail,DM)を希望されない方はS&T 会員登録の際、案内方法欄のチェックを外してください。
    なお、案内希望チェックがない場合、会員価格(5%OFF)は適用できません。
    【会員価格5%OFFは、E-MailまたはDM案内希望の場合のみ適用】
(2)動画視聴・インターネット環境をご確認ください
  セキュリティの設定や、動作環境によってはご視聴いただけない場合がございます。
  以下のサンプル動画(セミナー講師から本日のセミナーをご紹介)が閲覧できるかを
  事前にご確認いただいたうえで、お申し込みください。 
■サンプル動画(セミナー講師から本日のセミナーをご紹介)■

>> 視聴環境   >> テスト視聴サイト
(3)申込み後、すぐに視聴可能なため、Webセミナーのキャンセルはできません。予めご了承ください。

セミナー趣旨

 深層学習の代表的な手法である畳み込みニューラルネットワークは画像認識分野の様々なタスクに応用が進んでいます。
 本セミナーでは、畳み込みニューラルネットワークの基礎と画像認識分野における応用事例について説明します。また、畳み込みニューラルネットワークの判断根拠の視覚的説明や応用方法、実装に向けた環境やディープラーニングフレームワークについても紹介し、実践的に活用できる内容を網羅的に説明します。

セミナー講演内容

<得られる知識・技術>
 画像処理、機械学習など


<プログラム>
1.ディープラーニングの現在

2.畳み込みニューラルネットワーク

 2.1 畳み込み層
 2.2 プーリング層
 2.3 全結合層
 2.4 出力層

3.畳み込みニューラルネットワークの学習
 3.1 誤差逆伝播法
 3.2 最適化法(SGD / Adam / RMSProp)

4.ネットワーク構造
 4.1 AlexNet
 4.2 VGG
 4.3 GoogLeNet
 4.4 ResNet
 4.5 SE-Net

5.汎用性を向上させるためのテクニック
 5.1 Dropout
 5.2 バッチ正規化
 5.3 インスタンス正規化
 5.4 データ拡張(Mixup, Cutout 等)

6.物体検出への応用
 6.1 Faster R-CNN
 6.2 YOLO
 6.4 SSD

7.セグメンテーションへの応用
 7.1 FCN
 7.2 SegNet
 7.3 U-Net
 7.4 PSP Net
 7.5 DeepLab V3

8.判断根拠の可視化
 8.1 CAM
 8.2 CAM Grad
 8.3 Attention Branch Network
 8.4 判断根拠を活用した精度向上

9.画像生成モデル
  9.1 Generative Adversarial Network(GAN)
  9.2 条件付きGAN
  9.3 Pix2Pix

10.ディープラーニングのフレームワーク
 10.1 Chainer による実装
 10.2 Pytorch による実装
 10.3 Neural Network Console

■Q&A■
 このセミナーに関する質問に限り、講師とメールにて個別Q&Aをすることができます。
 具体的には、セミナー資料に講師のメールアドレスを掲載していますので、セミナーに関する質問がございましたら
 直接メールでご質問ください。
 (ご質問の内容や時期によっては、ご回答できない場合がございますのでご了承下さい。)